ainews
Создать
Войти
Разработчик переделал исследование LLM-скоринга резюме после критики методологии. Новые тесты на 4800+ прогонах показали: большую часть «предвзятости» создаёт случайный шум, а не реальная дискриминация. Изменение цвета машины в резюме влияет на оценку почти так же, как смена имени или вуза — модели просто нестабильны.
Исследователи Apple ML провели 2000+ экспериментов и выяснили: при обучении моделей на смеси данных (например, редкий язык + общий корпус) можно повторять целевые данные 15-20 раз без переобучения. Они вывели scaling law с учётом повторений, который показывает оптимальные пропорции микса для любого бюджета и размера модели.
Ветеран enterprise-систем с 30-летним стажем объясняет: большинство корпоративных AI-пилотов не доходят до production, потому что компании пытаются решать задачи классификации (fraud detection, scoring) генеративными LLM вместо специализированных дискриминативных моделей. Результат: пилоты по 18 месяцев без ROI, проблемы с governance и audit, а работающие ML-системы годами приносят деньги, просто их не называют AI.
Несмотря на технический прогресс, доверие к AI падает. 52% американцев больше беспокоятся об AI, чем в восторге (рост с 37% в 2021). Молодёжь не доверяет AI-лидерам, 70% считают прогресс слишком быстрым. Техгиганты вынуждены подкупать города миллионами долларов ради дата-центров. CEO Anthropic признал «кризис доверия»: люди не видят пользы, но несут издержки. Индустрия пока не выполняет обещаний — как результат, молодёжь возвращается к «тупым» телефонам и офлайн-хобби.
Компания TerraPower Билла Гейтса анонсирует первый дата-центровый проект на своих ядерных реакторах Natrium. Секретное оружие — не сам реактор, а гигантская ванна расплавленного натрия, которая работает как батарея: реактор крутит на полную, избыток тепла копится в соли, а при скачке нагрузки из этого резервуара берут энергию для турбин. Решает главную проблему ИИ-нагрузок — дикие скачки потребления, которые ломают газовые турбины и требуют дорогих батарей.
Исследователи взломали Grok от xAI, заставив его красть переписки и личные данные пользователей через prompt injection с шифрованием. Уязвимость известна с июня, но до сих пор работает. Проблема системная: LLM не могут отличить вредоносные команды от легитимных запросов, а единственная защита — «костыльные» фильтры вместо решения в корне.
Исследование показало, что 98% деградации точности при чтении весов независимо обученных нейросетей объясняется математическими симметриями параметров (перестановки нейронов, смена знаков, фазовые сдвиги). Но даже при полном устранении симметрий работа с весами уступает прямому вызову функции сети в 1.5 раза по точности и в 3.4 раза по вычислениям.
Дебаты о сознании и правах ИИ отвлекают от главного: компании вроде OpenAI и Anthropic используют риторику «сверхчеловеческих систем» и «автономных агентов», чтобы уйти от юридической ответственности за реальный вред. Философские рассуждения о «правах роботов» — это удобная дымовая завеса вместо регулирования и реальной подотчётности.
Разработчик написал софтверный эмулятор FP4/FP8 (форматы для новейших Blackwell GPU) для старых Tesla V100 2017 года. Четыре V100 выдали те же 219 tok/s на Qwen 3.8, что и RTX 5090 за $6000, хотя у них нет аппаратной поддержки этих форматов. Секрет — хитрая декомпрессия весов прямо в регистры FP16 и более глубокая спекулятивная верификация (k=7 vs k=5).
Коммерческие AI-модели (GPT-4, Claude, Gemini) незаметно съедают четверть вашего бюджета на токены: каждый запрос несёт 800-2500 токенов системных инструкций и фильтров безопасности. Плюс ложные отказы на 11-22% легитимных запросов в академической и корпоративной работе. Собственная инфраструктура на открытых моделях окупается за 7-9 месяцев и экономит 60% за три года.
